CN103006358A - 一种肌电假手的控制方法 - Google Patents

Abstract

一种肌电假手的控制方法，包括基于肌电信号自适应学习的动作识别方法和握力模糊控制方法。基于肌电信号自适应学习的动作识别方法以人体手臂一对拮抗肌上采集得到的经过放大、整流、滤波后的张开肌电信号EMG1、闭合肌电信号EMG2作为输入信号，通过更新自适应比例因子，从而实现对人体肌电信号的自适应，并根据佩戴者手臂肌肉的收缩程度输出假手的期望握力。握力模糊控制方法用于实现对假手期望握力的跟踪，从而实现根据假手佩戴者手臂肌电信号的强度来控制假手的握力大小。使用时只需要将两个肌电传感器贴合在佩戴者手臂的一对拮抗肌上，打开假手电源，佩戴者上抬和下手腕即可实现对假手的控制。

Description

一种肌电假手的控制方法

一、技术领域

本发明涉及一种肌电假手的控制方法，用于手肌电假手的控制，属于特殊器械控制领域。

二、背景技术

在肌电假手控制中，传统肌电信号的识别决策方法虽然具有一定的有效性，但是未充分考虑不同佩戴者或同一佩戴在不同条件下肌电信号存在差异的问题，导致假手在安装佩戴时要进行因人而异的参数调整，实际使用中存在一定的局限性；在握力控制方面，一些控制算法基于假手上安装有较为完善的传感***取得了较好的握力跟踪控制效果，然而，实际肌电假手由于大小、尺寸、生产成本等的限制无法安装充分的传感器，导致目前商业化的肌电假手难以实现准确的力控制。

三、发明内容

本发明的目的在于提供一种具有自适应学习动作识别能力、能够避免假手在安装佩戴时要进行因人而异的参数调整的肌电假手的控制方法。

本发明的目的是这样实现的：

步骤1：取带有第一AD转换器的第一肌电传感器和带有第二AD转换器的第二肌电传感器，所述第一肌电传感器和第二肌电传感器分别用于采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1和手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2，令Max_E1、Max_E2的初值为0，Min_E1、Min_E2的初值为2^M，M为AD转换器的位数，Max_E1、Max_E2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最大值，Min_E1、Min_E2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最小值，

步骤2：肌电信号自适应学习动作识别，输出假手的期望握力F_d，详细步骤如下：

步骤2.1利用第一肌电传感器采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1，利用第二肌电传感器采集手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2，再分别对张开肌电信号EMG1及闭合肌电信号EMG2进行放大、整流、滤波，得到预处理后的张开肌电信号EMG1及预处理后的闭合肌电信号EMG2，

步骤2.2：分别更新预处理后的张开肌电信号EMG1的最大值Max_E1、预处理后的张开肌电信号EMG1的最小值Min_E1、预处理后的闭合肌电信号EMG2的最大值Max_E2及预处理后的闭合肌电信号EMG2的最小值Min_E2，更新方法如下：

${\mathrm{Max}}_{E1}=\left\{\begin{array}{cc}{\mathrm{Max}}_{E1},& {\mathrm{Max}}_{E1}\&GreaterEqual;\mathrm{EMG}1\\ \mathrm{EMG}1,& {\mathrm{Max}}_{E1}<\mathrm{EMG}1\end{array}\right.$

${\mathrm{Min}}_{E1}=\left\{\begin{array}{cc}{\mathrm{Min}}_{E1},& {\mathrm{Min}}_{E1}\&le;\mathrm{EMG}1\\ \mathrm{EMG}1,& {\mathrm{Min}}_{E1}>\mathrm{EMG}1\end{array}\right.$

${\mathrm{Max}}_{E2}=\left\{\begin{array}{cc}{\mathrm{Max}}_{E2},& {\mathrm{Max}}_{E2}\&GreaterEqual;\mathrm{EMG}2\\ \mathrm{EMG}2,& {\mathrm{Max}}_{E2}<\mathrm{EMG}2\end{array}\right.$

${\mathrm{Min}}_{E2}=\left\{\begin{array}{cc}{\mathrm{Min}}_{E2},& {\mathrm{Min}}_{E2}\&le;\mathrm{EMG}2\\ \mathrm{EMG}2,& {\mathrm{Min}}_{E2}>\mathrm{EMG}2\end{array}\right.$

分别计算张开肌电信号的自适应比例因子K_E1及闭合肌电信号的自适应比例因子K_E2：

$\left\{\begin{array}{c}{K}_{E1}=\frac{1}{{\mathrm{Max}}_{E1}-{\mathrm{Min}}_{E1}}\\ K_{E2}=\frac{1}{{\mathrm{Max}}_{E2}-{\mathrm{Min}}_{E2}}\end{array}\right.$

步骤2.3：计算当前采集得到肌电信号的张开程度E₁和闭合程度E₂：

E₁＝(EMG1-Min_E1)×K_E1

E₂＝(EMG2-Min_E2)×K_E2

步骤2.4：根据肌电信号的张开程度E₁和闭合程度E₂进行动作判别，判别结果为E，E＞0对应于假手的期望动作为张开，E＜0对应于假手的期望动作为闭合，E＝0对应于假手的期望动作为停止，

E＝(E₁-E₂)×K_E

其中，K_E为转换比例因子，数值上等于假手最大握力设计值F_max，用于将肌电信号的强度转换为对应的假手期望握力，

步骤2.5：消除假手佩戴者的手臂在放松状态下由于微小干扰而造成假手误动作，输出假手的期望握力F_d，

F_d＝E×f(E)

其中 $f\left(E\right)=1+\frac{1}{2}[\mathrm{sgn}(E-E_0)-\mathrm{sgn}(E+E_0)],$ $\mathrm{sgn}(E-E_0)=\left\{\begin{array}{cc}1,& E>E_0\\ 0,& E=E_0\\ -1,& E<E_0\end{array}\right.,$ $\mathrm{sgn}(E+E_0)=\left\{\begin{array}{cc}1,& E>-E_0\\ 0,& E=-E_0\\ -1,& E<-E_0\end{array}\right.,$ E₀＝0.05×K_E，E₀为设定的最大干扰信号值，

步骤3：通过握力模糊控制器得到假手的控制信号y，详细步骤如下：

步骤3.1：通过第三AD转换器采集假手的当前握力信号F_n，通过第四AD转换器采集假手上直流电机的电流反馈信号I，计算握力跟踪误差ΔF和握力变化率

ΔF＝F_d-F_n

${\stackrel{\&CenterDot;}{F}}_n=F_n-F_n^{\&prime;}$

其中F_n′为上一次采集得到的假手握力信号，第1次执行步骤3.1时F_n′＝0，

步骤3.2：将握力跟踪误差ΔF和握力变化率输入握力模糊控制器，握力模糊控制器输出假手的控制信号y，

步骤4：电流保护环节以握力模糊控制器输出信号y和假手上电机的反馈电流I作为输入，电流保护环节的输出为U，

U＝y×f(I)

其中 $f\left(I\right)=\frac{1}{2}[1-\mathrm{sgn}(I-I_m)],$ $\mathrm{sgn}(I-I_m)=\left\{\begin{array}{cc}1,& I>I_m\\ 0,& I=I_m\\ -1,& I<I_m\end{array}\right.,$ I_m为电机使用说明中标明的电机连续堵转电流，

步骤5：将电流保护环节的输出信号U进行功率放大后用于驱动假手上的直流电机，从而控制假手的握力，

步骤6：返回步骤2.1。

使用时只需要将两个肌电传感器贴合在佩戴者手臂的一对拮抗肌上，打开假手电源，佩戴者上抬和下手腕即可实现对假手的控制。

与现有技术相比，本发明具有如下优点：

1、肌电信号自适应学习动作识别器通过简单的肌电信号自适应学习，实时更新两路肌电信号的幅值范围，计算张开肌电信号的张开程度和闭合程度，与传统的将两路肌电信号直接相减的方法相比，避免了不同佩戴者或同一佩戴在不同条件下由于肌电信号存在差异，导致假手在安装佩戴时要进行因人而异的参数调整的问题，提高了适合的普遍性，同时也大大减少了佩戴者对假手的学习适应时间。

2、握力模糊控制算法，在只有力传感器的情况下实现了较好的假手握力控制，设计的算法复杂度低，计算量小，无需高端的处理器就可实现假手的灵活控制，适合于商业化假手中的应用。

3、设计的假手控制方法在实际操作时与人体自然手的操作习惯相同，简短了佩戴者对假手的适应时间。

4、设计的基于肌电信号自适应学习的动作识别器中有去抖环节，降低了假手误动作的发生概率。

5、设计的假手握力控制器中电流保护环节，防止因电机长时间堵转而电机损坏。

四、附图说明

图1是本发明一种肌电假手的控制方法的组成框图。

图2是本发明一种肌电假手的控制方法的基于肌电信号自适应学习的动作识别方法组成框图。

图3是本发明一种肌电假手的控制方法的ΔF的隶属函数图。

图4是本发明一种肌电假手的控制方法的

的隶属函数图。

五、具体实施方式

下面结合附图详细说本发明的具体实施步骤。

一种肌电假手的控制方法，包括基于肌电信号自适应学习的动作识别方法和握力模糊控制方法，控制流程如图1所示，具体步骤如下：

步骤1：取带有第一AD转换器的第一肌电传感器和带有第二AD转换器的第二肌电传感器，所述第一肌电传感器和第二肌电传感器分别用于采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1和手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2，令Max_E1、Max_E2的初值为0，Min_E1、Min_E2的初值为2^M，M为AD转换器的位数，Max_E1、Max_E2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最大值，Min_E1、Min_E2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最小值，

步骤2：肌电信号自适应学习动作识别，动作识别流程如图2所示，输出假手的期望握力F_d，详细步骤如下：

步骤2.1利用第一肌电传感器采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1，利用第二肌电传感器采集手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2，再分别对张开肌电信号EMG1及闭合肌电信号EMG2进行放大、整流、滤波，得到预处理后的张开肌电信号EMG1及预处理后的闭合肌电信号EMG2，

步骤2.2：分别更新预处理后的张开肌电信号EMG1的最大值Max_E1、预处理后的张开肌电信号EMG1的最小值Min_E1、预处理后的闭合肌电信号EMG2的最大值Max_E2及预处理后的闭合肌电信号EMG2的最小值Min_E2，更新方法如下：

${\mathrm{Max}}_{E1}=\left\{\begin{array}{cc}{\mathrm{Max}}_{E1},& {\mathrm{Max}}_{E1}\&GreaterEqual;\mathrm{EMG}1\\ \mathrm{EMG}1,& {\mathrm{Max}}_{E1}<\mathrm{EMG}1\end{array}\right.$

${\mathrm{Min}}_{E1}=\left\{\begin{array}{cc}{\mathrm{Min}}_{E1},& {\mathrm{Min}}_{E1}\&le;\mathrm{EMG}1\\ \mathrm{EMG}1,& {\mathrm{Min}}_{E1}>\mathrm{EMG}1\end{array}\right.$

${\mathrm{Max}}_{E2}=\left\{\begin{array}{cc}{\mathrm{Max}}_{E2},& {\mathrm{Max}}_{E2}\&GreaterEqual;\mathrm{EMG}2\\ \mathrm{EMG}2,& {\mathrm{Max}}_{E2}<\mathrm{EMG}2\end{array}\right.$

${\mathrm{Min}}_{E2}=\left\{\begin{array}{cc}{\mathrm{Min}}_{E2},& {\mathrm{Min}}_{E2}\&le;\mathrm{EMG}2\\ \mathrm{EMG}2,& {\mathrm{Min}}_{E2}>\mathrm{EMG}2\end{array}\right.$

分别计算张开肌电信号的自适应比例因子K_E1及闭合肌电信号的自适应比例因子K_E2：

$K_{E1}=\frac{1}{{\mathrm{Max}}_{E1}-{\mathrm{Min}}_{E1}}$

$K_{E2}=\frac{1}{{\mathrm{Max}}_{E2}-{\mathrm{Min}}_{E2}}$

步骤2.3：计算当前采集得到肌电信号的张开程度E₁和闭合程度E₂：

E₁＝(EMG1-Min_E1)×K_E1

E₂＝(EMG2-Min_E2)×K_E2

步骤2.4：根据肌电信号的张开程度E₁和闭合程度E₂进行动作判别，判别结果为E，E＞0对应于假手的期望动作为张开，E＜0对应于假手的期望动作为闭合，E＝0对应于假手的期望动作为停止，

E＝(E₁-E₂)×K_E

其中，K_E为转换比例因子，数值上等于假手最大握力设计值F_max，用于将肌电信号的强度转换为对应的假手期望握力，例如当假手最大握力设计值F_max＝20N时，K_E＝20，

步骤2.5：消除假手佩戴者的手臂在放松状态下由于微小干扰而造成假手误动作，输出假手的期望握力F_d，

F_d＝E×f(E)

其中 $f\left(E\right)=1+\frac{1}{2}[\mathrm{sgn}(E-E_0)-\mathrm{sgn}(E+E_0)],$ $\mathrm{sgn}(E-E_0)=\left\{\begin{array}{cc}1,& E>E_0\\ 0,& E=E_0\\ -1,& E<E_0\end{array}\right.,$ $\mathrm{sgn}(E+E_0)=\left\{\begin{array}{cc}1,& E>-E_0\\ 0,& E=-E_0\\ -1,& E<-E_0\end{array}\right.,$ E₀为设定的最大干扰信号值，设定方法为：E₀＝0.05×K_E

步骤3：通过握力模糊控制器得到假手的控制信号y，详细步骤如下：

步骤3.1：通过第三AD转换器采集假手的当前握力信号F_n，通过第四AD转换器采集假手上直流电机的电流反馈信号I，计算握力跟踪误差ΔF和握力变化率

ΔF＝F_d-F_n

${\stackrel{\&CenterDot;}{F}}_n=F_n-F_n^{\&prime;}$

其中F_n′为上一次采集得到的假手握力信号，第1次执行步骤3.1时F_n′＝0，

步骤3.2：将握力跟踪误差ΔF和握力变化率

输入握力模糊控制器，握力模糊控制器输出假手的控制信号y，所述的握力模糊控制器采用本领域公知且常用的模糊控制器，具体如下：

步骤3.2.1：计算ΔF的隶属度A_i(ΔF)，采用三角形隶属函数，ΔF的隶属函数如图3所示，ΔF分为7个等级：负大(NL)、负中(NM)、负小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PL)，f₀、f₆分别对应于ΔF的最大值、最小值，

其中，f_Δ＝(f₆-f₀)/6，a_ΔF＝1/f_Δ，

步骤3.2.2：计算

的隶属度

采用三角形隶属函数，

的隶属函数如图4所示，分为5个等级：负大(NL)、负小(NS)、零(ZO)、正小(PS)、正大(PL)，

分别对应于

的最大值、最小值，

其中， ${\stackrel{\&CenterDot;}{f}}_{\mathrm{\&Delta;}}=({\stackrel{\&CenterDot;}{f}}_4-{\stackrel{\&CenterDot;}{f}}_0)/4,$ $a_{{\stackrel{\&CenterDot;}{F}}_n}=1/{\stackrel{\&CenterDot;}{f}}_{\mathrm{\&Delta;}}$

步骤3.2.3：计算规则激活度α_ij，

${\mathrm{\&alpha;}}_{\mathrm{ij}}=\min (1,A_i\left(\mathrm{\&Delta;F}\right)+A_j\left({\stackrel{\&CenterDot;}{F}}_n\right)),$ i＝0...6，j＝0...4

步骤3.2.4：查询模糊规则表，得到第ij条规则的值为f_ij，

步骤3.2.5：采用加权平均法计算握力模糊控制器的输出y，

$y=\underset{i=0}{\overset{6}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{ij}}\&times;f_{\mathrm{ij}}/\left(\underset{i=0}{\overset{6}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{4}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{ij}}\right)$

步骤4：电流保护环节以握力模糊控制器输出信号y和假手上电机的反馈电流I作为输入，电流保护环节的输出为U，

U＝y×f(I)

其中 $f\left(I\right)=\frac{1}{2}[1-\mathrm{sgn}(I-I_m)],$ $\mathrm{sgn}(I-I_m)=\left\{\begin{array}{cc}1,& I>I_m\\ 0,& I=I_m\\ -1,& I<I_m\end{array}\right.,$ I_m为电机使用说明中标明的电机连续堵转电流，

步骤5：将电流保护环节的输出信号U进行功率放大后用于驱动假手上的直流电机，从而控制假手的握力，

步骤6：返回步骤2.1。

Claims (1)

1.一种肌电假手的控制方法，具体步骤如下：

步骤1：取带有第一AD转换器的第一肌电传感器和带有第二AD转换器的第二肌电传感器，所述第一肌电传感器和第二肌电传感器分别用于采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1和手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2，令Max_E1、Max_E2的初值为0，Min_E1、Min_E2的初值为2^M，M为AD转换器的位数，Max_E1、Max_E2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最大值，Min_E1、Min_E2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最小值，

步骤2：肌电信号自适应学习动作识别，输出假手的期望握力F_d，详细步骤如下：

步骤2.1利用第一肌电传感器采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1，利用第二肌电传感器采集手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2，再分别对张开肌电信号EMG1及闭合肌电信号EMG2进行放大、整流、滤波，得到预处理后的张开肌电信号EMG1及预处理后的闭合肌电信号EMG2，

步骤2.2：分别更新预处理后的张开肌电信号EMG1的最大值Max_E1、预处理后的张开肌电信号EMG1的最小值Min_E1、预处理后的闭合肌电信号EMG2的最大值Max_E2及预处理后的闭合肌电信号EMG2的最小值Min_E2，更新方法如下：

${\mathrm{Max}}_{E1}=\left\{\begin{array}{cc}{\mathrm{Max}}_{E1},& {\mathrm{Max}}_{E1}\&GreaterEqual;\mathrm{EMG}1\\ \mathrm{EMG}1,& {\mathrm{Max}}_{E1}<\mathrm{EMG}1\end{array}\right.$

${\mathrm{Min}}_{E1}=\left\{\begin{array}{cc}{\mathrm{Min}}_{E1},& {\mathrm{Min}}_{E1}\&le;\mathrm{EMG}1\\ \mathrm{EMG}1,& {\mathrm{Min}}_{E1}>\mathrm{EMG}1\end{array}\right.$

${\mathrm{Max}}_{E2}=\left\{\begin{array}{cc}{\mathrm{Max}}_{E2},& {\mathrm{Max}}_{E2}\&GreaterEqual;\mathrm{EMG}2\\ \mathrm{EMG}2,& {\mathrm{Max}}_{E2}<\mathrm{EMG}2\end{array}\right.$

${\mathrm{Min}}_{E2}=\left\{\begin{array}{cc}{\mathrm{Min}}_{E2},& {\mathrm{Min}}_{E2}\&le;\mathrm{EMG}2\\ \mathrm{EMG}2,& {\mathrm{Min}}_{E2}>\mathrm{EMG}2\end{array}\right.$

分别计算张开肌电信号的自适应比例因子K_E1及闭合肌电信号的自适应比例因子K_E2：

$\left\{\begin{array}{c}{K}_{E1}=\frac{1}{{\mathrm{Max}}_{E1}-{\mathrm{Min}}_{E1}}\\ K_{E2}=\frac{1}{{\mathrm{Max}}_{E2}-{\mathrm{Min}}_{E2}}\end{array}\right.$

步骤2.3：计算当前采集得到肌电信号的张开程度E₁和闭合程度E₂：

E₁＝(EMG1-Min_E1)×K_E1

E₂＝(EMG2-Min_E2)×K_E2

步骤2.4：根据肌电信号的张开程度E₁和闭合程度E₂进行动作判别，判别结果为E，E＞0对应于假手的期望动作为张开，E＜0对应于假手的期望动作为闭合，E＝0对应于假手的期望动作为停止，

E＝(E₁-E₂)×K_E

其中，K_E为转换比例因子，数值上等于假手最大握力设计值F_max，用于将肌电信号的强度转换为对应的假手期望握力，

步骤2.5：消除假手佩戴者的手臂在放松状态下由于微小干扰而造成假手误动作，输出假手的期望握力F_d，

F_d＝E×f(E)

其中 $f\left(E\right)=1+\frac{1}{2}[\mathrm{sgn}(E-E_0)-\mathrm{sgn}(E+E_0)],$ $\mathrm{sgn}(E-E_0)=\left\{\begin{array}{cc}1,& E>E_0\\ 0,& E=E_0\\ -1,& E<E_0\end{array}\right.,$ $\mathrm{sgn}(E+E_0)=\left\{\begin{array}{cc}1,& E>-E_0\\ 0,& E=-E_0\\ -1,& E<-E_0\end{array}\right.,$ E₀＝0.05×K_E，E₀为设定的最大干扰信号值，

步骤3：通过握力模糊控制器得到假手的控制信号y，详细步骤如下：

步骤3.1：通过第三AD转换器采集假手的当前握力信号F_n，通过第四AD转换器采集假手上直流电机的电流反馈信号I，计算握力跟踪误差ΔF和握力变化率

ΔF＝F_d-F_n

${\stackrel{\&CenterDot;}{F}}_n=F_n-F_n^{\&prime;}$

其中F_n′为上一次采集得到的假手握力信号，第1次执行步骤3.1时F_n′＝0，

步骤3.2：将握力跟踪误差ΔF和握力变化率

输入握力模糊控制器，握力模糊控制器输出假手的控制信号y，

步骤4：电流保护环节以握力模糊控制器输出信号y和假手上电机的反馈电流I作为输入，电流保护环节的输出为U，

U＝y×f(I)

其中 $f\left(I\right)=\frac{1}{2}[1-\mathrm{sgn}(I-I_m)],$ $\mathrm{sgn}(I-I_m)=\left\{\begin{array}{cc}1,& I>I_m\\ 0,& I=I_m\\ -1,& I<I_m\end{array}\right.,$ I_m为电机使用说明中标明的电机连续堵转电流，

步骤5：将电流保护环节的输出信号U进行功率放大后用于驱动假手上的直流电机，从而控制假手的握力，

步骤6：返回步骤2.1。

Images